論文の概要: Prompt-Free Lightweight SAM Adaptation for Histopathology Nuclei Segmentation with Strong Cross-Dataset Generalization

• arxiv url: http://arxiv.org/abs/2603.20326v1
• Date: Fri, 20 Mar 2026 01:23:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:38.840936
• Title: Prompt-Free Lightweight SAM Adaptation for Histopathology Nuclei Segmentation with Strong Cross-Dataset Generalization
• Title（参考訳）: 強いクロスデータセット一般化を伴う病理組織核分離のためのプロンプトフリー軽量SAM適応
• Authors: Muhammad Hassan Maqsood, Yanming Zhu, Alfred Lam, Getamesay Dagnaw, Xuefei Yin, Alan Wee-Chung Liew,
• Abstract要約: 病理組織学的核分画は定量的組織解析と癌診断に重要である。 近年のSAMベースのアプローチは、一般画像や医用画像において大きな可能性を秘めている。 本稿では,マルチレベルエンコーダ特性と残差復号を有効利用し,高精度かつ効率的な核セグメンテーションを実現する,プロンプトフリーで軽量なSAM適応法を提案する。
• 参考スコア（独自算出の注目度）: 13.245421259771382
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Histopathology nuclei segmentation is crucial for quantitative tissue analysis and cancer diagnosis. Although existing segmentation methods have achieved strong performance, they are often computationally heavy and show limited generalization across datasets, which constrains their practical deployment. Recent SAM-based approaches have shown great potential in general and medical imaging, but typically rely on prompt guidance or complex decoders, making them less suitable for histopathology images with dense nuclei and heterogeneous appearances. We propose a prompt-free and lightweight SAM adaptation that leverages multi-level encoder features and residual decoding for accurate and efficient nuclei segmentation. The framework fine-tunes only LoRA modules within the frozen SAM encoder, requiring just 4.1M trainable parameters. Experiments on three benchmark datasets TNBC, MoNuSeg, and PanNuke demonstrate state-of-the-art performance and strong cross-dataset generalization, highlighting the effectiveness and practicality of the proposed framework for histopathology applications.
• Abstract（参考訳）: 病理組織学的核分画は定量的組織解析と癌診断に重要である。 既存のセグメンテーション手法は高い性能を達成しているが、それらはしばしば計算的に重く、データセット間の限定的な一般化を示し、実際の展開を制限している。 近年のSAMベースのアプローチは、一般的な画像や医療画像において大きな可能性を示しているが、通常は誘導や複雑なデコーダに依存しており、高密度の核と不均一な外観を持つ病理像には適さない。 本稿では,マルチレベルエンコーダ特性と残差復号を有効利用し,高精度かつ効率的な核セグメンテーションを実現する,プロンプトフリーで軽量なSAM適応法を提案する。 フレームワークは凍ったSAMエンコーダ内のLoRAモジュールのみを微調整し、トレーニング可能なパラメータはわずか4.1Mである。 TNBC、MoNuSeg、PanNukeの3つのベンチマークデータセットの実験は、最先端のパフォーマンスと強力なクロスデータセットの一般化を実証し、提案した病理組織学応用フレームワークの有効性と実用性を強調した。

関連論文リスト

• TGC-Net: A Structure-Aware and Semantically-Aligned Framework for Text-Guided Medical Image Segmentation [56.09179939570486]
  本稿では,パラメータ効率,タスク固有適応に着目したCLIPベースのフレームワークであるTGC-Netを提案する。 TGC-Netは、挑戦的なベンチマークで顕著なDiceゲインを含む、トレーニング可能なパラメータをかなり少なくして、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2025-12-24T12:06:26Z)
• Boundary-Aware Test-Time Adaptation for Zero-Shot Medical Image Segmentation [12.159529070716824]
  BA-TTA-SAMはテスト時間適応によるSAMのゼロショットセグメンテーション性能を向上させるテスト時間適応フレームワークである。 我々のフレームワークは、医用画像分割における最先端モデルよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-12-04T07:08:21Z)
• Supervise Less, See More: Training-free Nuclear Instance Segmentation with Prototype-Guided Prompting [53.799446807827714]
  核インスタンスセグメンテーションのための完全トレーニングおよびアノテーションなしプロンプトフレームワークであるSPROUTを紹介する。 SPROUTは、スライド固有の参照プロトタイプを構築するために、ヒストロジーインフォームドプリエントを利用する。 前景と背景の特徴は正および負の点のプロンプトに変換され、Segment Anything Model (SAM) は正確な核線を生成できる。
  論文  参考訳（メタデータ） (2025-11-25T05:58:33Z)
• VesSAM: Efficient Multi-Prompting for Segmenting Complex Vessel [68.24765319399286]
  本稿では,2次元血管セグメンテーションに適した,強力で効率的なフレームワークであるVesSAMを提案する。 VesSAMは、(1)局所的なテクスチャ機能を強化する畳み込みアダプタ、(2)解剖学的プロンプトを融合するマルチプロンプトエンコーダ、(3)ジャグアーティファクトを減らす軽量マスクデコーダを統合する。 VesSAMは、最先端のPEFTベースのSAMを10%以上のDiceと13%のIoUで一貫して上回っている。
  論文  参考訳（メタデータ） (2025-11-02T15:47:05Z)
• ASPS: Augmented Segment Anything Model for Polyp Segmentation [77.25557224490075]
  SAM(Segment Anything Model)は、ポリープセグメンテーションに先例のないポテンシャルを導入している。 SAMのTransformerベースの構造は、グローバルおよび低周波情報を優先する。 CFAはトレーニング可能なCNNエンコーダブランチと凍結したViTエンコーダを統合し、ドメイン固有の知識の統合を可能にする。
  論文  参考訳（メタデータ） (2024-06-30T14:55:32Z)
• MedCLIP-SAM: Bridging Text and Image Towards Universal Medical Image Segmentation [2.2585213273821716]
  本稿では,CLIPモデルとSAMモデルを組み合わせて臨床スキャンのセグメンテーションを生成する新しいフレームワーク MedCLIP-SAM を提案する。 3つの多様なセグメンテーションタスクと医用画像モダリティを広範囲にテストすることにより、提案手法は優れた精度を示した。
  論文  参考訳（メタデータ） (2024-03-29T15:59:11Z)
• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• UN-SAM: Universal Prompt-Free Segmentation for Generalized Nuclei Images [47.59627416801523]
  デジタル病理学において、正確な核分割は、組織の種類、染色プロトコル、イメージング条件の多様性によって、重要な課題である。 我々はUniversal prompt-free SAM framework for Nuclei segmentation (UN-SAM)を提案する。 例外的な性能を持つUN-SAMは、核インスタンスやセマンティックセグメンテーションの最先端、特にゼロショットシナリオにおける一般化能力を上回っている。
  論文  参考訳（メタデータ） (2024-02-26T15:35:18Z)
• Cheap Lunch for Medical Image Segmentation by Fine-tuning SAM on Few Exemplars [19.725817146049707]
  Segment Anything Model (SAM) はスケールアップセグメンテーションモデルの顕著な機能を示した。 しかし, 医療領域における基礎モデルの導入は, 十分なデータのラベル付けが困難で費用がかかるため, 課題となっている。 本稿では,限られた数の例を用いてSAMを微調整するための効率的かつ実用的な手法を提案する。
  論文  参考訳（メタデータ） (2023-08-27T15:21:25Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。